Comparative Analysis of Black-Box Optimization Methods for Weather Intervention Design
Hiroshima University（广岛大学）；Osaka University（大阪大学）；Chiba University（千叶大学）
针对天气控制优化中梯度难获取、NWP模型计算成本高的问题，提出基于黑盒优化的天气干预设计方法，对比发现贝叶斯优化在降雨削减控制中效果更优，尤其适用于高维场景。
2025-05-16 cs.LG cs.SY eess.SY
Feature Selection on a Flare Forecasting Testbed: A Comparative Study of 24 Methods
Georgia State University（乔治亚州立大学）
太阳耀斑的空间天气分析（SWAN-SF）是一个多变量的时间序列基准数据集，最近创建的服务于太阳物理学界作为一个测试平台的太阳耀斑预测模型。SWAN-SF包含54个独特的功能，与24个定量功能计算的光球磁场地图的活动区，描述他们以前的耀斑活动。在这项研究中，我们第一次系统地解决了量化这些特征与耀斑预测这一雄心勃勃的任务的相关性的问题。我们为预处理、特征选择和评估阶段实现了一个端到端的流水线。我们采用了24个特征子集选择（FSS）算法，包括多变量和单变量，监督和无监督，包装器和过滤器。我们在方法上比较了不同的FSS算法的结果，无论是在多变量时间序列和矢量化格式，并测试其相关性和可靠性，在可能的范围内，通过使用选定的功能耀斑预测看不见的数据，在单变量和多变量的方式。我们总结了我们的调查报告的最佳FSS方法在其top-k功能，并分析的结果。我们希望我们研究的可重复性和数据的可用性能够使未来的尝试与我们的发现和它们本身相比较。
2021-09-30 astro-ph.IM astro-ph.SR cs.LG
A Comparative Study of Efficient Initialization Methods for the K-Means Clustering Algorithm
Louisiana State University（路易斯安那州立大学）；Georgia Institute of Technology（佐治亚理工学院）
K-means无疑是使用最广泛的分区聚类算法。不幸的是，由于其梯度下降的性质，该算法是高度敏感的初始位置的聚类中心。已经提出了许多初始化方法来解决这个问题。在本文中，我们首先介绍了这些方法的概述，重点是它们的计算效率。然后，我们比较了八个常用的线性时间复杂度初始化方法的大型和不同的数据集，使用各种性能标准。最后，我们使用非参数统计检验来分析实验结果，并为从业者提供建议。我们证明，流行的初始化方法往往表现不佳，事实上，这些方法有强大的替代品。
2012-09-10 cs.CV cs.LG
Image-based Data Representations of Time Series: A Comparative Analysis in EEG Artifact Detection
University of Osnabrück（奥斯纳布吕克大学）；Stanford University（斯坦福大学）
本文以脑电图伪影检测为测试平台，系统比较六种图像化时间序列表示方法与十一种深度学习架构的组合效果，发现部分表示更能提升信噪比，并开源测试框架以支持后续比较研究。
2023-12-21 cs.AI cs.LG eess.SP
Highly comparative fetal heart rate analysis
University of Oxford（牛津大学）
一个数据库的胎儿心率（FHR）的时间序列测量7221例患者在分娩过程中进行了分析，目的是学习这些记录的低脐带pH值的信息的功能类型。我们的“高度比较”的分析涉及提取超过9000个时间序列分析功能，从每个FHR时间序列，包括自相关，熵，分布和各种模型拟合的措施。这个多样化的功能集合是在以前的工作中开发的，并且是公开的。我们描述了五个功能，最准确地分类一个平衡的训练集的59个“低pH值”和59个“正常pH值”的胎心率记录。然后，我们描述了在FHR时间序列的完整数据集上与脐带pH值具有最强线性相关性的五个特征。在这项工作中确定的功能，可作为一个系统的一部分，在未来的劳动指导干预。这项工作成功地证明了在时间序列分析的大型跨学科文献中进行比较的实用性，可以自动为特定的生物医学信号处理挑战贡献新的科学成果。
2014-12-03 cs.AI cs.LG q-bio.QM
Fuzzy Cognitive Maps and Hidden Markov Models: Comparative Analysis of Efficiency within the Confines of the Time Series Classification Task
Warsaw University of Technology（华沙理工大学）
时间序列分类是机器学习的一个重要研究课题。本文研究了隐马尔可夫模型（HMM）在时间序列分类中的应用。我们区分两种模式的HMM应用程序。第一种，为每个类构建一个模型。第二种方法是对每个时间序列建立一个隐马尔可夫模型。然后，我们将这两种方法的分类器的建设领域的模糊认知地图。识别出的四个模型，HMM NN（HMM，每个系列一个），HMM 1C（HMM，每个类一个），FCM NN和FCM 1C，然后在一系列的实验中进行了研究。我们比较了不同模型的性能，并研究了它们的超参数对时间序列分类精度的影响。实证评估表明，一个模型，每个系列的方法有明显的优势。结果表明，HMM和FCM之间的选择应该是依赖于网络的。
2022-04-28 cs.LG
A Comparative Study on Unsupervised Anomaly Detection for Time Series: Experiments and Analysis
Aalborg University（奥尔堡大学）；University of Electronic Science and Technology of China（电子科技大学）；Huawei Cloud（华为云）
社会过程的持续数字化转化为时间序列数据的激增，这些数据涵盖了欺诈检测、入侵检测和能源管理等应用，其中异常检测对于实现可靠性和安全性至关重要。最近的许多研究针对时间序列数据的异常检测。事实上，时间序列异常检测领域的特点是不同的数据，方法和评估策略，在现有的研究中的比较只考虑这种多样性的一部分，这使得它很难选择一个特定的问题设置的最佳方法。为了解决这一缺点，我们引入了数据，方法和评估策略的分类，使用分类提供了无监督时间序列异常检测的全面概述，并系统地评估和比较了最先进的传统和深度学习技术。在使用九个公开数据集的实证研究中，我们将最常用的性能评估指标应用于公平执行标准下的典型方法。基于结构所提供的分类，我们报告的实证研究，并提供指导方针，在比较表的形式，选择最适合于特定的应用程序设置的方法。最后，我们提出了这个动态领域的研究方向。
2022-09-10 cs.AI cs.LG
Comparative study of clustering models for multivariate time series from connected medical devices
Inria（法国国家信息与自动化研究所）；Univ. Lille（里尔大学）；Withings
本研究针对联网医疗设备收集的多变量时间序列，提出在无标签下利用预测模型构建潜在聚类空间以生成患者档案，并在Withing数据集上对比了M AGMAC LUST与动态聚类模型DGM${}^2$。
2024-01-10 cs.AI cs.LG cs.NE
A Comparative Study of Pruning Methods in Transformer-based Time Series Forecasting
Scientific Computing Center, Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院科学计算中心）；Helmholtz AI（亥姆霍兹人工智能）
本研究对基于Transformer的时间序列预测模型进行非结构化与结构化剪枝的比较基准测试，发现某些模型在高稀疏度下性能更优，但需微调，且结构化剪枝难以显著节省时间。
2024-12-17 cs.AI cs.LG
Recurrent Neural Networks for Forecasting Time Series with Multiple Seasonality: A Comparative Study
Czestochowa University of Technology（琴斯托霍瓦工业大学）
本文比较了具有不同类型门控单元的循环神经网络（RNN）对具有多个季节性的时间序列的预测。我们比较的细胞包括经典的长短期记忆（LSTM），门控递归单元（GRU），具有膨胀的修改的LSTM，以及我们最近提出的两个新细胞，它们配备了膨胀和注意力机制。为了对不同尺度的时间依赖性进行建模，我们的RNN架构具有多个膨胀的递归层，这些层堆叠有分层膨胀。建议的RNN产生点预测和预测区间（PI）。一项关于35个欧洲国家短期电力负荷预测的实证研究证实，具有扩张和注意力的新门控细胞表现最好。
2022-03-17 cs.LG
Retail Demand Forecasting: A Comparative Study for Multivariate Time Series
Institute of Electrical and Electronics Engineers（电气和电子工程师协会）；University of Tennessee Chattanooga（田纳西大学查塔努加分校）；University of South Dakota（南达科他大学）
针对现有零售需求预测多忽略宏观经济因素的问题，本研究引入CPI、ICS、失业率等变量构建多变量数据集，对比多种回归与机器学习模型以提升预测精度。
2023-08-23 cs.AI cs.LG q-fin.ST
Comparative Analysis of Time Series Forecasting Approaches for Household Electricity Consumption Prediction
State University of New York（纽约州立大学）；Ninewatt Inc.（Ninewatt公司）；University of Central Asia（中亚大学）
由于人口增长和全球化，对能源的需求大大增加。因此，准确的能耗预测已成为政府规划、减少电能浪费和能源管理系统稳定运行的必要前提。在这项工作中，我们提出了一个主要的机器学习模型的家庭能源消费的时间序列预测的比较分析。具体来说，我们使用Weka，一个数据采掘工具，首先将模型应用于Kaggle数据科学社区提供的每小时和每日家庭能源消耗数据集。应用的模型有：多层感知器，K最近邻回归，支持向量回归，线性回归和高斯过程。其次，我们还在python中实现了时间序列预测模型ARIMA和VAR，以预测选定的韩国家庭在有和没有天气数据的情况下的家庭能源消耗。研究结果表明，能源消费预测的最佳方法是支持向量回归，其次是多层感知器和高斯过程回归。
2022-07-03 cs.LG
A Comparative Study on How Data Normalization Affects Zero-Shot Generalization in Time Series Foundation Models
Siemens AG（西门子股份公司）；Ludwig Maximilian University of Munich（慕尼黑大学）
本研究比较了数据标准化对时间序列基础模型零样本泛化能力的影响，发现REVIN方法在效率和准确性之间实现了最佳权衡。
2026-01-29 cs.AI cs.LG
A Comparative Study of Detecting Anomalies in Time Series Data Using LSTM and TCN Models
Texas Tech University（德克萨斯理工大学）；Rutgers University（罗格斯大学）
存在几种数据驱动的方法，使我们能够对时间序列数据进行建模，包括传统的基于回归的建模方法（即，ARIMA）。最近，深度学习技术已经在时间序列分析和预测的背景下被引入和探索。要问的一个主要研究问题是深度学习技术的这些变体在预测时间序列数据时的性能。本文比较了两种主要的深度学习建模技术。比较了基于递归神经网络（RNN）的长短期记忆（LSTM）和基于卷积神经网络（CNN）的时间卷积网络（TCN），并报告了它们的性能和训练时间。根据我们的实验结果，这两种建模技术的性能都优于基于TCN的模型，略优于LSTM。此外，基于CNN的TCN模型比基于RNN的LSTM模型更快地建立稳定的模型。
2021-12-17 cs.LG cs.PF
A clustering approach to time series forecasting using neural networks: A comparative study on distance-based vs. feature-based clustering methods
Jet Propulsion Laboratory（喷气推进实验室）
时间序列预测最近得到了很多关注，这是因为许多现实世界的现象可以建模为时间序列。大量的数据和计算机处理能力的最新进展使研究人员能够开发更复杂的机器学习算法，如神经网络来预测时间序列数据。在本文中，我们提出了各种神经网络架构来预测的时间序列数据使用的动态测量，此外，我们介绍了各种架构如何结合静态和动态测量预测。我们还调查了执行技术，如异常检测和聚类预测精度的重要性。我们的研究结果表明，聚类可以提高整体的预测时间，以及提高神经网络的预测性能。此外，我们表明，基于特征的聚类可以优于基于距离的聚类的速度和效率。最后，我们的研究结果表明，增加更多的预测因子来预测目标变量并不一定会提高预测精度。
2021-03-31 cs.LG stat.ML
Comparative Analysis of Time Series Foundation Models for Demographic Forecasting: Enhancing Predictive Accuracy in US Population Dynamics
本研究比较了TimesFM与LSTM、ARIMA和线性回归在美国人口预测中的表现，发现TimesFM在86.67%的测试用例中均方误差最低，尤其在历史数据稀疏的少数族裔人口上优势明显，表明预训练基础模型可有效提升人口预测精度并支持政策决策。
2025-08-19 cs.AI cs.LG
A Comparative Study of Adaptation Strategies for Time Series Foundation Models in Anomaly Detection
Department of Electronic Engineering, Hanyang University, Seoul, Korea（电子工程系，翰阳大学，首尔，韩国）；Department of Artificial Intelligence, Hanyang University, Seoul, Korea（人工智能系，翰阳大学，首尔，韩国）
本文研究了时间序列基础模型在异常检测中的适应策略，发现其在多种基准上表现优异，尤其在类别不平衡情况下，PEFT方法能有效提升性能并降低计算成本。
2026-01-01 cs.LG
Introducing Hybrid Modeling with Time-series-Transformers: A Comparative Study of Series and Parallel Approach in Batch Crystallization
Texas A&M University（德克萨斯农工大学）
本文首次将基于时间序列Transformer的混合建模框架应用于批结晶过程，通过比较串联与并联两种配置，实现了NMSE低至10⁻³量级、R²超过0.99的高精度预测，为化学制造数字孪生提供了更准确且可解释的方案。
2023-07-25 cs.LG cs.SY eess.SY
How Good Are Time-Series Foundation Models for Pedestrian Crowd Count Forecasting? A Cross-Dataset Comparative Study
Delft University of Technology（代尔夫特理工大学）
本研究通过跨数据集比较七种预测方法，评估时间序列基础模型在行人计数预测中的表现，发现模型选择需依据数据条件和预测视界，基础模型在数据丰富且季节性强的场景下优势明显。
2026-09-16 cs.AI cs.LG
Deep Generative Modeling for Financial Time Series with Application in VaR: A Comparative Review
Wells Fargo（富国银行）
本文比较多种深度生成模型在金融时间序列与 VaR 建模中的表现，提出 Encoder-Decoder CGAN、Conditional TimeVAE 及评估框架，发现 HS、GARCH 和 CWGAN 表现最佳。
2024-01-18 cs.LG q-fin.CP q-fin.RM
A Comparative Analysis of Forecasting Financial Time Series Using ARIMA, LSTM, and BiLSTM
Texas Tech University（德克萨斯理工大学）；Georgia Institute of Technology（佐治亚理工学院）
基于机器和深度学习的算法是解决时间序列预测问题的新兴方法。这些技术已被证明比传统的基于回归的建模产生更准确的结果。据报道，具有记忆的人工递归神经网络（RNN），如长短期记忆（LSTM），与自回归积分移动平均（ARIMA）相比，具有较大的裕度。基于LSTM的模型包含额外的“门”，用于存储较长序列的输入数据。主要的问题是，LSTM架构中包含的门是否已经提供了良好的预测，以及是否需要额外的数据训练来进一步改善预测。双向LSTM（BiLSTM）通过遍历输入数据两次（即，1)从左到右，以及2）从右到左）。感兴趣的研究问题是，具有额外训练能力的BiLSTM是否优于常规的单向LSTM。本文报告了BiLSTM和LSTM模型的行为分析和比较。我们的目标是探索在多大程度上额外的数据训练层将有利于调整所涉及的参数。结果表明，额外的数据训练和基于BiLSTM的建模比常规的基于LSTM的模型提供了更好的预测。更具体地说，观察到BiLSTM模型提供了比ARIMA和LSTM模型更好的预测。BiLSTM模型达到平衡的速度比基于LSTM的模型慢得多。
2019-11-21 cs.CE cs.LG cs.PF
Quantum Long Short-Term Memory (QLSTM) vs Classical LSTM in Time Series Forecasting: A Comparative Study in Solar Power Forecasting
National University of Sciences and Technology（国家科学技术大学）；Ghulam Ishaq Khan Institute of Engineering Sciences and Technology（古拉姆·伊沙克·汗工程科学与技术学院）；King Abdulaziz University（阿卜杜勒阿齐兹国王大学）；Uppsala University（乌普萨拉大学）
本文比较QLSTM与经典LSTM在太阳能发电时间序列预测中的表现，验证QLSTM收敛更快、首轮测试损失更低，并指出其量子优势潜力与硬件噪声等局限。
2024-09-25 cs.LG quant-ph
A Comparative Analysis of Traditional and Deep Learning Time Series Architectures for Influenza A Infectious Disease Forecasting
School of Mathematical and Statistical Sciences, College of Sciences, University of Texas Rio Grande Valley（德克萨斯里奥格兰德谷大学数学与统计学学院，科学学院）；Department of Biostatistics and Data Science, Celia Scott Weatherhead School of Public Health and Tropical Medicine at Tulane University（路易斯安那大学热带医学与公共卫生学院生物统计学与数据科学系）
该研究基于2009—2023年数据比较ARIMA、ETS与六种深度学习时间序列模型，发现Transformer预测甲型流感暴发效果最优，可支持公共卫生预测与防控规划。
2025-07-18 cs.CY cs.LG
Pattern Similarity-based Machine Learning Methods for Mid-term Load Forecasting: A Comparative Study
Częstochowa University of Technology（琴希托霍瓦工业大学）
基于模式相似性的方法被广泛应用于分类和回归问题。在季节性时间序列中观察到的重复的、形状相似的周期鼓励人们应用这些方法进行预测。在本文中，我们使用模式相似性为基础的方法来预测月度电力需求表示年度季节性。模型的一个组成部分是使用时间序列模式的时间序列表示。模式表示通过趋势滤波和方差均衡保证了输入和输出数据的统一。因此，模式表示简化了预测问题，并允许我们使用基于模式相似性的模型。我们考虑了四个这样的模型：最近邻模型，模糊邻域模型，核回归模型和一般回归神经网络。通过聚合输出模式构建回归函数，其中权重取决于输入模式之间的相似性。所提出的模型的优点是：清晰的操作原理，少量的参数调整，快速优化过程，良好的泛化能力，工作在最新的数据没有再训练，鲁棒性丢失的输入变量，并生成一个向量作为输出。在实验部分的工作，所提出的模型被用来预测35个欧洲国家的月度需求。将模型性能与ARIMA、指数平滑等经典模型以及多层感知器、神经模糊系统、长短期记忆模型进行了比较。结果表明，所提出的模型的高性能优于比较模型的准确性，简单性和易于优化。
2020-03-03 cs.LG stat.ML
Comparative Analysis of the Hidden Markov Model and LSTM: A Simulative Approach
UCLA University（加州大学洛杉矶分校）
时间序列和序列数据最近得到了极大的关注，因为许多现实世界中的各种领域，如金融，教育，生物和工程过程可以建模为时间序列。虽然许多算法和方法，如卡尔曼滤波器，隐马尔可夫模型和长短期记忆（LSTM）被提出来对数据进行推断和预测，但它们的使用在很大程度上取决于应用，问题类型，可用数据以及足够的准确性或损失。在本文中，我们比较了监督和无监督隐马尔可夫模型与LSTM在训练所需的数据量，复杂性和预测准确性方面的差异。此外，我们提出了各种技术来离散化的意见，并将问题转化为一个离散的隐马尔可夫模型在平稳和非平稳的情况下。我们的研究结果表明，当大量标记数据不可用时，即使是无监督的隐马尔可夫模型也可以优于LSTM。此外，我们表明，隐马尔可夫模型仍然可以是一个有效的方法来处理的序列数据，即使在一阶马尔可夫假设不满足。
2020-08-09 cs.LG stat.ML
Cellular Traffic Prediction and Classification: a comparative evaluation of LSTM and ARIMA
Stockholm University（斯德哥尔摩大学）；Huawei（华为）
为了提高资源利用率，蜂窝网络中的用户流量预测引起了广泛的关注。在本文中，我们研究了网络流量的预测和分类问题，分别采用标准的机器学习和统计学习时间序列预测方法，包括长短期记忆（LSTM）和自回归积分移动平均（ARIMA）。我们提出了一个广泛的实验评估的设计工具在一个真正的网络流量数据集。在此分析中，我们探讨了不同参数对预测有效性的影响。我们进一步扩展我们的分析问题的网络流量分类和预测的流量突发。一方面，结果表明LSTM的性能一般优于ARIMA，特别是当训练时间序列的长度足够长时，并且通过明智选择的特征集进行增强。另一方面，结果揭示的情况下，ARIMA执行接近最优的复杂性较低。
2019-06-03 cs.LG cs.NI eess.SP
A Comparative Analysis of Machine Learning and Grey Models
Southwest University of Science and Technology（西南科技大学）；University of Electronic Science and Technology of China（电子科技大学）；Southwest Petroleum University（西南石油大学）
人工智能（AI）最近几乎在生活的每个领域都显示出了它的能力。机器学习是人工智能的一个子集，对研究人员来说是一个“热门”话题。机器学习在几乎所有自然应用中的表现优于其他经典预测技术。这是现代研究的重要组成部分。根据这一说法，现代机器学习算法对大数据如饥似渴。由于数据集较小，研究人员可能不喜欢使用机器学习算法。为了解决这个问题，本调查的主要目的是说明，演示半参数机器学习框架称为灰色机器学习（GML）的意义的相关研究。这种框架能够处理大型数据集以及用于时间序列预测可能结果的小型数据集。本调查提出了一个全面的概述现有的半参数机器学习技术的时间序列预测。本文对GML框架进行了初步的综述。为了让读者深入了解，机器学习的简要描述，以及各种形式的传统灰色预测模型进行了讨论。此外，简要说明了GML框架的重要性。
2021-12-04 cs.AI cs.LG
From Noise to Knowledge: A Comparative Study of Acoustic Anomaly Detection Models in Pumped-storage Hydropower Plants
University of St. Gallen（圣加尔登大学）
该研究针对抽水蓄能电站声学异常检测，比较 LSTM AE、K-Means 与 OC-SVM，在 Rodundwerk II 的诱发异常和真实工况数据集上验证，发现 OC-SVM 综合性能最佳。
2025-09-26 cs.AI cs.LG
One vs Previous and Similar Classes Learning -- A Comparative Study
University of Malta（马耳他大学）
在处理多类分类问题时，通常的做法是使用学习范式来构建由一系列二进制分类器组成的模型，该学习范式规定如何构建分类器并将其组合以区分各个类。当新数据进入系统并且模型需要更新时，这些模型通常需要从头开始重新训练。这项工作提出了三种学习范式，允许训练的模型进行更新，而不需要从头开始重新训练。进行了比较分析，以根据基线对其进行评价。结果表明，所提出的范例在更新时比基线更快，其中两个在从头开始训练时也更快，特别是在较大的数据集上，同时保持了相当的分类性能。
2021-01-05 cs.LG
Few-Shot Learning for Industrial Time Series: A Comparative Analysis Using the Example of Screw-Fastening Process Monitoring
针对工业时间序列缺陷标注成本高的问题，本文以螺丝紧固监测为场景开展FSL对比研究，提出标签感知情景采样器，验证了轻量度量学习方案性能优于大模型，开源相关资源推动FSL在制造检测落地。
2025-06-16 cs.LG
Semi-Periodic Activation for Time Series Classification
Universidade de São Paulo（圣保罗大学）
针对时间序列任务中激活函数研究不足的问题，分析了该场景下激活函数的核心特性，提出新型半周期激活函数LeakySineLU，在112个时间序列分类基准数据集的对比实验中取得最优平均排名。
2024-12-13 cs.AI cs.LG
A Comparative Study of Gamma Markov Chains for Temporal Non-Negative Matrix Factorization
Aalto University（阿尔托大学）；Mila - Quebec Artificial Intelligence Institute（米拉-魁北克人工智能研究所）；IRIT；Université de Toulouse（图卢兹大学）；CNRS（法国国家科学研究中心）；DI ENS（巴黎高等师范学院信息学系）；INRIA（法国国家信息与自动化研究所）；Université PSL（巴黎文理研究大学）
非负矩阵分解（NMF）已成为一类行之有效的方法，用于分析非负数据。特别是，人们在概率NMF方面投入了大量精力，即描述数据的概率模型中的估计或推理任务，例如基于泊松或指数似然。当处理时间序列数据时，一些工作已经提出将激活系数的演变建模为非负马尔可夫链，大多数时间与Γ分布相关，从而产生所谓的时间NMF模型。在本文中，我们回顾了四个伽玛马尔可夫链的NMF文献，并表明他们都有一个共同的缺点：缺乏一个良好定义的平稳分布。然后，我们介绍了第五个过程，一个被忽视的模型的时间序列文献命名为BGAR（1），它克服了这一限制。这些时间NMF模型，然后比较在MAP框架上的预测任务，在泊松似然的上下文中。
2021-02-25 cs.LG stat.ML
Traffic Volume Prediction using Memory-Based Recurrent Neural Networks: A comparative analysis of LSTM and GRU
University of Memphis（孟菲斯大学）
实时预测交通量可以改善交通流量和道路安全。精确的交通量预测有助于提醒驾驶员沿其首选路线的交通流量，防止潜在的僵局情况。现有的参数模型不能可靠地预测动态复杂交通条件下的交通量。因此，为了实时评估和预测每个给定时间步长的交通量，我们开发了基于非线性记忆的深度神经网络模型。我们在Metro Interstate Traffic Volume数据集上进行的大量实验证明了所提出的模型在高度动态和异构交通环境中预测交通量的有效性。
2023-03-22 cs.LG
A Comparative Study of Reservoir Computing for Temporal Signal Processing
University of New Mexico（新墨西哥大学）；Portland State University（波特兰州立大学）
储备池计算（RC）是一种利用递归神经网络进行时间序列预测的新方法。在RC中，输入信号扰动称为储层的介质的内在动力学。然后训练读出层以从储层的状态重建目标输出。众多的RC架构和评估指标对研究RC任务解决性能和计算能力的实践者和理论家都提出了挑战。此外，与传统的计算模型相比，水库是一个动态系统，其中计算和存储是不可分割的，因此很难分析。在这里，我们比较回声状态网络（ESN），一个流行的RC架构，抽头延迟线（DL）和非线性自回归外源（NARX）网络，我们用有限的计算和有限的内存分别建模系统。我们比较了三个系统的性能，同时计算三个常见的基准时间序列：H{é}non Map，NARMA 10和NARMA 20。我们发现，水库的作用，在储备池计算范例超越了提供一个记忆的过去的输入。DL和NARX网络具有更高的记忆能力，但缺乏ESN的泛化能力。
2014-01-10 cs.LG cs.NE
A Learned Born Series for Highly-Scattering Media
University College London（伦敦大学学院）
本文提出了一种求解波动方程的新方法--学习玻恩级数法（LBS），它是从一个收敛的玻恩级数推导出来的，但它的分量是通过训练得到的。LBS被证明是显着更准确的比收敛玻恩级数相同数量的迭代，在存在高对比度散射体，同时保持相当的计算复杂性。LBS能够以较少的迭代次数生成全局压力场的合理预测，并且误差随着学习迭代次数的增加而减小。
2022-12-09 cs.LG physics.comp-ph physics.med-ph
Comparative Study of Instance Based Learning and Back Propagation for Classification Problems
Lahore College for Women University（拉合尔女子学院大学）；Ankara University（安卡拉大学）
本文提出了一个性能的比较研究的反向传播和基于实例的学习算法分类任务。该研究进行了一系列的实验，将所有可能的参数值的组合下评估的算法。该算法的分类精度在一系列数据集上进行比较，并使用交叉验证，Kappa统计，均方根值和真阳性与假阳性率等测量来评估其性能。除了性能比较，还比较了处理缺失值的技术，包括均值或众数替换和多重插补。结果表明，参数调整在提高算法的准确性方面起着至关重要的作用，因此，与基于实例的学习相比，反向传播显示出更好的结果。此外，多重插补方法能较好地处理缺失值问题，但不适用于数据量较少的情况。
2016-04-19 cs.LG
Machine Learning Approaches on Crop Pattern Recognition a Comparative Analysis
East West University（东西大学）
本文提出基于深度神经网络的作物模式识别方法，并与朴素贝叶斯和随机森林进行比较分析，以提升遥感时间序列数据下的作物分类性能。
2024-11-19 cs.CV cs.LG
From Time-series Generation, Model Selection to Transfer Learning: A Comparative Review of Pixel-wise Approaches for Large-scale Crop Mapping
College of Forest Resources and Environmental Science, Michigan Technological University（密歇根理工大学森林资源与环境科学学院）；Warnell School of Forestry and Natural Resources, University of Georgia（佐治亚大学沃内尔林业与自然资源学院）；Annis Water Resources Institute, Grand Valley State University（大峡谷州立大学安尼斯水资源研究所）；BioSense Institute（生物感知研究所）；Department of Agricultural, Food, and Resource Economics, Michigan State University（密歇根州立大学农业、食品与资源经济学系）
本文综述了大规模像素级作物制图流程，比较了传统监督方法与迁移学习方法，发现细粒度预处理与Transformer模型在监督和迁移任务中表现最佳，迁移学习在不同域移位下具有适应性，且样本充足时监督学习更准确。
2025-08-10 cs.CV cs.LG
A Comparative Analysis of Android Malware
San Jose State University（圣何塞州立大学）
在本文中，我们提出了一个良性和恶意的Android应用程序的比较分析，基于静态功能。特别是，我们将注意力集中在应用程序请求的权限上。我们认为这两个二进制分类的恶意软件与良性的，以及多类问题，我们分类恶意软件样本到各自的家庭。我们的实验是基于大量的恶意软件数据集，我们采用了各种各样的机器学习技术，包括决策树和随机森林，支持向量机，逻辑模型树，AdaBoost和人工神经网络。我们发现，权限是一个强大的功能，通过仔细的功能工程，我们可以显着减少高度准确的检测和分类所需的功能的数量。
2019-01-21 cs.CR cs.LG stat.ML
A Comparative Analysis of LLM Memorization at Statistical and Internal Levels: Cross-Model Commonalities and Model-Specific Signatures
Department of Computer Science, The University of Tokyo（东京大学计算机科学系）；Research and Development Center for Large Language Models, National Institute of Informatics（信息学研究院大语言模型研究与开发中心）
本文通过分析多个模型系列的记忆行为，揭示了记忆率与模型规模的对数线性关系及序列压缩，同时发现不同模型在内部层面存在独特的解码过程和重要头部分布特征。
2026-03-23 cs.CL cs.LG
Comparative Analysis of Machine Learning Approaches to Analyze and Predict the Covid-19 Outbreak
Abdul Wali Khan University Mardan（阿卜杜勒·瓦利·汗大学马尔丹分校）；Auckland University（奥克兰大学）；Islamia College University Peshawar（白沙瓦伊斯兰学院大学）
背景预测即将到来的大流行病的时间，通过采取预防措施，如公共卫生信息和提高医生的意识，减少疾病的影响。随着COVID-19累计发病率的持续快速增长，研究界正在使用包括各种机器学习（ML）模型在内的统计和疫情预测模型来跟踪和预测疫情趋势，并制定适当的策略来对抗和管理其传播。方法.在本文中，我们提出了一个比较分析的各种ML方法，包括支持向量机，随机森林，K-最近邻和人工神经网络在预测COVID-19疫情的流行病学领域。我们首先应用自回归分布滞后（ARDL）方法来识别和建模时间序列COVID-19数据集的短期和长期关系。也就是说，我们将响应变量与其各自的解释时间序列变量之间的滞后确定为自变量。然后，将由此产生的关于其滞后的重要变量用于ARDL选择的回归模型中，用于预测和预测流行病的趋势。结果统计措施，即，均方根误差（RMSE）、平均绝对误差（MAE）和平均绝对百分比误差（MAPE）用于模型准确度。最佳选定模型对确诊、痊愈和死亡病例的MAPE值分别为0.407、0.094和0.124，属于高度准确的预测类别。此外，我们计算了15天前的预测，每天的死亡，恢复和确认的病人和病例的波动在各个方面的时间。此外，研究结果还揭示了ML算法在支持演化短期策略决策方面的优势。
2021-02-11 cs.AI cs.LG stat.ML
TS-Diffusion: Generating Highly Complex Time Series with Diffusion Models
University of Cambridge（剑桥大学）
针对现有时间序列生成模型依赖数据假设或预处理的局限，提出基于点过程框架的TS-Diffusion模型，结合ODE编解码器与扩散模型处理含不规则采样、缺失值的高维复杂时间序列，性能显著优于基线。
2023-11-06 cs.LG
A comparative analysis of deep learning models for lung segmentation on X-ray images
Faculty of Mathematics and Information Science（数学与信息科学学院）；Warsaw University of Technology（华沙理工大学）
该研究从61篇论文中筛选出可评估的Lung VAE、TransResUNet和CE-Net，比较其在多种X射线图像修改下的肺部分割性能，发现CE-Net在DSC和IoU上表现最优。
2024-04-09 cs.CV cs.LG eess.IV
An Evaluation of Change Point Detection Algorithms
The University of Edinburgh（爱丁堡大学）；The Alan Turing Institute（艾伦·图灵研究所）
变化点检测是时间序列分析的重要组成部分，因为变化点的存在指示数据生成过程中的突然且显著的变化。虽然已经提出了许多算法的变化点检测，相对较少的注意力已经支付给评估其性能的现实世界的时间序列。算法通常是在模拟数据和少量常用的不可靠的地面真相系列上进行评估的。显然，这并没有提供足够的洞察力，这些算法的比较性能。因此，与其开发另一种变点检测方法，我们认为更重要的是在真实数据上正确评估现有算法。为了实现这一目标，我们提出了一个数据集，专门设计的变化点检测算法，包括37个时间序列从不同的应用领域的评估。每个系列都由五名人类注释员进行注释，以提供关于变化点的存在和位置的基本事实。我们分析了人类注释的一致性，并描述了评估指标，可用于测量算法的性能，在存在多个地面实况注释。接下来，我们提出了一个基准研究，其中14个算法进行评估的数据集中的每个时间序列。我们的目标是，这个数据集将作为一个试验场，在新的变化点检测算法的发展。
2022-02-12 cs.LG stat.ME stat.ML
A Comparative Analysis of Machine Learning Methods for Lane Change Intention Recognition Using Vehicle Trajectory Data
Southeast University（东南大学）；School of Transportation（交通学院）；Jiangsu Key Laboratory of Urban ITS（江苏省城市智能交通重点实验室）
本文比较了不同机器学习方法在从高维时间序列数据中识别车道变换意图的性能，基于CitySim数据集1023条轨迹验证，发现集成方法准确率达98%且减少分类错误，LightGBM训练效率比XGBoost提升六倍。
2023-07-28 cs.LG stat.ML
A Comparison of LSTMs and Attention Mechanisms for Forecasting Financial Time Series
University of Toronto（多伦多大学）
虽然LSTM在预测金融时间序列（FTS）方面显示出越来越有前途的结果，但本文试图评估注意力机制是否可以进一步提高性能。假设注意力可以帮助防止LSTM模型经历的长期依赖性。为了验证这一假设，本文的主要贡献是实现了一个带注意力的LSTM。比较了基准LSTM和带注意力的LSTM，两者都在Kaggle的Two Sigma数据集的五只股票上实现了高达60%的合理表现。这种比较分析表明，具有注意力的LSTM确实可以优于独立的LSTM，但需要进一步的研究，因为这种模型架构确实会出现问题。
2018-12-18 cs.LG stat.ML
Forecasting with Multiple Seasonality
University of Minnesota Twin Cities（明尼苏达大学双城分校）
一个新兴的现代应用涉及预测时间序列数据，表现出短期动态和长期的季节性。具体而言，具有多个季节性的时间序列是一项困难的任务，讨论相对较少。在本文中，我们提出了一个两阶段的方法，时间序列的多个季节性，它不需要预先确定的季节周期。在第一阶段，我们推广了经典的季节自回归移动平均（ARMA）模型在多季节性制度。在第二阶段，我们利用一个适当的标准，滞后顺序选择。模拟和实证研究表明，我们的方法具有良好的预测性能，特别是与最近流行的“Facebook先知”模型的时间序列。
2020-08-27 cs.LG stat.ML
A consistent clustering-based approach to estimating the number of change-points in highly dependent time-series
INRIA（法国国家信息与自动化研究所）
在一般框架下研究了由未知平稳遍历过程分布产生的变点估计问题。在这种情况下，一致的估计变点的数量是不可能的。然而，它示出，一致的聚类方法可以被用来估计的变化点的数量，在额外的约束下，提供的正确数量的过程分布，生成的数据。这个额外的参数在许多现实世界的应用中有一个自然的解释。提出了一种算法，估计变点的数量和定位的变化。所提出的算法被证明是渐近一致的，其经验评估。
2013-02-14 cs.IT cs.LG math.IT
